eXtreme Gradient Boosting
Что это такое?
XGBoost — это оптимизированная библиотека распределённого градиентного бустинга, созданная максимально эффективной, гибкой и переносимой. Она реализует алгоритмы машинного обучения в рамках подхода Gradient Boosting.
XGBoost — это оптимизированная библиотека распределённого градиентного бустинга, созданная максимально эффективной, гибкой и переносимой. Она реализует алгоритмы машинного обучения в рамках подхода Gradient Boosting.Это программа, которую я устанавливаю и запускаю, или то, что я вызываю из своего кода?Это библиотека, которую вы подключаете из своего кода. Она доступна для Python, R, Java, Scala, C и других языков, а её ядро написано на C++.
Это библиотека, которую вы подключаете из своего кода. Она доступна для Python, R, Java, Scala, C и других языков, а её ядро написано на C++.Мне нужен кластер Spark или Hadoop, чтобы ей пользоваться?Нет — она работает на одной машине, а тот же код можно запускать и в основных распределённых средах (Kubernetes, Hadoop, SGE, Dask, Spark, PySpark), обрабатывая задачи объёмом в десятки миллиардов примеров и больше.
Нет — она работает на одной машине, а тот же код можно запускать и в основных распределённых средах (Kubernetes, Hadoop, SGE, Dask, Spark, PySpark), обрабатывая задачи объёмом в десятки миллиардов примеров и больше.Можно ли пользоваться бесплатно, в том числе в коммерческих целях?Да — XGBoost распространяется по лицензии Apache-2.0, поэтому её можно бесплатно использовать в коммерческих проектах.
Да — XGBoost распространяется по лицензии Apache-2.0, поэтому её можно бесплатно использовать в коммерческих проектах.Что на самом деле делает этот алгоритм?Он выполняет параллельный древовидный бустинг — градиентный бустинг над деревьями решений, также известный как GBDT или GBM, — который быстро и точно решает множество задач из анализа данных.
Он выполняет параллельный древовидный бустинг — градиентный бустинг над деревьями решений, также известный как GBDT или GBM, — который быстро и точно решает множество задач из анализа данных.Откуда взялся XGBoost?Он начинался как исследовательский проект в Университете Вашингтона, а в 2016 году Тяньци Чэнь и Карлос Гуэстрин представили его на конференции SIGKDD в виде статьи 'XGBoost: A Scalable Tree Boosting System'.
Он начинался как исследовательский проект в Университете Вашингтона, а в 2016 году Тяньци Чэнь и Карлос Гуэстрин представили его на конференции SIGKDD в виде статьи 'XGBoost: A Scalable Tree Boosting System'.What are similar projects?LightGBM, spark, deeplearning4j, doris, flink-learning, dask, polars, mxnet
LightGBM, spark, deeplearning4j, doris, flink-learning, dask, polars, mxnetWhich topics is it in?flink, r, parallel, spark, jvm, big-data, data-analysis, high-performance, algorithms, data-science, distributed-systems, kubernetes
flink, r, parallel, spark, jvm, big-data, data-analysis, high-performance, algorithms, data-science, distributed-systems, kubernetes